對(duì)于計(jì)算機(jī)來說，它在執(zhí)行任務(wù)時(shí)需要非常準(zhǔn)確的指令，AI目前能做的也只是按照指令來執(zhí)行，人們?cè)跒锳I編程的時(shí)候，就必須把任務(wù)分解成低階、簡(jiǎn)單的定義的指令，并把人工智能歸納到這種指令上。而目前能解決的問題也有限。

在今天開幕的CCF-GAIR大會(huì)上，牛津大學(xué)計(jì)算機(jī)系教授Michael Wooldridge在演講中說，目前人工智能已經(jīng)解決了游戲、固定程式計(jì)算、開車等問題。而像“口語翻譯”這種較難的人工智能研究也在未來很快會(huì)被解決，但像“理解一個(gè)故事”、“講一個(gè)笑話”這種高階的人工智能還沒有被解決。之所以沒有解決，主要是因?yàn)槟壳暗腁I并不能做到“復(fù)雜推理”、“處理定義不清的問題”、 “對(duì)事物做出判斷”以及“對(duì)外界環(huán)境的感知”，這些問題如何解決，就涉及到了人工智能研究方法的問題。

Michael Wooldridge在演講中提到：

為了能夠讓人工智能去理解更高階段的信息，目前學(xué)術(shù)界主要有兩種方式：神經(jīng)型AI解決方式和符號(hào)型AI解決方式。

▎神經(jīng)方法AI

神經(jīng)方法的AI可謂是目前最流行的研究方法，現(xiàn)階段很多單任務(wù)人工智能所做的，基本上都是基于“神經(jīng)網(wǎng)絡(luò)”的可深度學(xué)習(xí)的人工智能，包括前些時(shí)間擊敗李世石的Alpha Go也屬于神經(jīng)型AI。

神經(jīng)型AI 的特點(diǎn)是，計(jì)算機(jī)會(huì)“鋪開一張網(wǎng)絡(luò)”，在網(wǎng)絡(luò)中計(jì)算所有的可能性，并作出合理的判斷。其優(yōu)勢(shì)在于，只要在算法上進(jìn)行突破，把神經(jīng)網(wǎng)絡(luò)合理組織，并進(jìn)行大量的數(shù)據(jù)訓(xùn)練，并結(jié)合較高的運(yùn)算能力，就能夠去處理一些復(fù)雜的問題。

不過，盡管Alpha Go十分成功，但并沒有實(shí)現(xiàn)通用的人工智能，因?yàn)榘柗ü凡荒苋贤ㄋ褂玫牟呗院图记桑@并不是它不夠智能，只是因?yàn)橐庾R(shí)理解的AI并不是神經(jīng)網(wǎng)絡(luò)能夠做到的。

▎符號(hào)方法AI和其他

要想做到更強(qiáng)的AI，就需要計(jì)算機(jī)有推理解釋的能力。

Michael Wooldridge在演講中舉了一個(gè)簡(jiǎn)單的例子：

Bob：“I’m leaving you”

Ann：“Who is she?”

從這段情侶分手的對(duì)話中就可以看出，人類對(duì)語言是有分析推理能力的，這種推理能力是基于對(duì)人類社會(huì)關(guān)系的認(rèn)識(shí)、運(yùn)行的機(jī)制和背景知識(shí)的。簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)并不能做到這一點(diǎn)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的AI缺乏這種知識(shí)。除此之外，在文學(xué)、藝術(shù)的創(chuàng)作和鑒賞上，人工智能都缺乏理解和洞察的能力。

所以，Michael Wooldridge介紹說，在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)之外，符號(hào)方法AI解決方式在理解方面起到了重要作用，然而這個(gè)符號(hào)方法AI具體是什么呢？

關(guān)于符號(hào)方法AI的研究歷史，維基百科上顯示的是：

20世紀(jì)50年代，當(dāng)數(shù)字計(jì)算機(jī)研制成功，研究者就開始探索人工智能是否能簡(jiǎn)化成符號(hào)處理。60年代，符號(hào)方法在小型證明程序上模擬高級(jí)思考有很大的成就?；诳刂普摶蛏窠?jīng)網(wǎng)絡(luò)的方法則置于次要。60－70年代的研究者確信符號(hào)方法最終可以成功創(chuàng)造強(qiáng)人工智能的機(jī)器，同時(shí)這也是他們的目標(biāo)。

為了進(jìn)行符號(hào)方法的人工智能研究，在早前研究者們就分別用不同方法進(jìn)行了嘗試：

認(rèn)知模擬：經(jīng)濟(jì)學(xué)家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時(shí)他們?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ)，如認(rèn)知科學(xué)、運(yùn)籌學(xué)和經(jīng)營科學(xué)。他們的研究團(tuán)隊(duì)使用心理學(xué)實(shí)驗(yàn)的結(jié)果開發(fā)模擬人類解決問題方法的程序。

基于邏輯：不像艾倫·紐厄爾和赫伯特·西蒙，計(jì)算機(jī)科學(xué)家約翰·麥卡錫認(rèn)為機(jī)器不需要模擬人類的思想，而應(yīng)嘗試找到抽象推理和解決問題的本質(zhì)，不管人們是否使用同樣的算法。他在斯坦福大學(xué)的實(shí)驗(yàn)室致力于使用形式化邏輯解決多種問題，包括知識(shí)表示，智能規(guī)劃和機(jī)器學(xué)習(xí)。

“反邏輯”: 斯坦福大學(xué)的研究者 （如馬文·閔斯基和西摩爾·派普特）發(fā)現(xiàn)要解決計(jì)算機(jī)視覺和自然語言處理的困難問題，需要專門的方案：他們主張不存在簡(jiǎn)單和通用原理（如邏輯）能夠達(dá)到所有的智能行為。羅杰·單克（Roger Schank）描述他們的“反邏輯”方法為“scruffy”。常識(shí)知識(shí)庫（如道格拉斯·萊納特的Cyc）就是“scruffy”AI的例子，因?yàn)樗麄儽仨毴斯ひ淮尉帉懸粋€(gè)復(fù)雜的概念。

基于知識(shí)：大約在1970年出現(xiàn)大容量內(nèi)存計(jì)算機(jī)，研究者分別以三個(gè)方法開始把知識(shí)構(gòu)造成應(yīng)用軟件。這場(chǎng)“知識(shí)革命”促成專家系統(tǒng)的開發(fā)與計(jì)劃，這是第一個(gè)成功的人工智能軟件形式?！爸R(shí)革命”同時(shí)讓人們意識(shí)到許多簡(jiǎn)單的人工智能軟件可能需要大量的知識(shí)。

以上都是符號(hào)方法人工智能的嘗試，簡(jiǎn)單的說，符號(hào)方法AI能夠?qū)崿F(xiàn)跟人類認(rèn)知水平相差不多的AI。除此之外，很多學(xué)者還提出了“子符號(hào)方法”、“統(tǒng)計(jì)學(xué)方法”、“集成方法”等。直到目前為止，都沒有統(tǒng)一的原理或范式指導(dǎo)人工智能研究，在許多問題上研究者都存在爭(zhēng)論。而Michael Wooldridge所說的神經(jīng)方法AI和符號(hào)方法AI，則是目前主流的研究方向，神經(jīng)方法AI是時(shí)下比較時(shí)髦主流的，而符號(hào)方法AI則并不是十分流行，對(duì)此，Michael Wooldridge解釋道：

符號(hào)方法AI還是有缺點(diǎn)的，其有非常難的問題還需解決：

第一個(gè)是轉(zhuǎn)換能力。比如說在一個(gè)復(fù)雜的現(xiàn)實(shí)當(dāng)中，怎么把復(fù)雜變化簡(jiǎn)單的符號(hào)，這個(gè)描述用一個(gè)簡(jiǎn)單的語句來表達(dá)是非常難的。

第二個(gè)問題你要把這個(gè)過程推理出來，把這個(gè)推理的過程表述出來，這個(gè)目前也是極為困難的。

▎還需解決的問題

對(duì)于人工智能的研究方法，其中幾個(gè)長久以來仍沒有結(jié)論的問題是：

是否應(yīng)從心理或神經(jīng)方面模擬人工智能?

像鳥類生物學(xué)對(duì)于航空工程一樣，人類生物學(xué)對(duì)于人工智能研究是沒有關(guān)系的？

智能行為能否用簡(jiǎn)單的原則（如邏輯或優(yōu)化）來描述，還是必須解決大量完全無關(guān)的問題？

這些問題解決之后，相信人工智能的發(fā)展會(huì)有一個(gè)明晰的方向。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。